数据准备：可转债行情数据获取、财务数据清洗、因子计算数据对齐

做量化，数据就是命根子。这话我常跟团队里的人讲。

可转债的因子组合优化，听起来高大上，但说白了，你因子算得再漂亮，数据源是脏的，结果就是垃圾进垃圾出。我见过太多人花90%的时间调模型，却不肯花10%的时间检查数据——嗯，最后模型跑出来的结果，连自己都不敢信。

这一章，我们就来聊聊数据准备那点事。说白了就三步：拿到行情数据、洗干净财务数据、把因子对齐到同一个时间轴上。

1. 可转债行情数据获取

行情数据，我习惯从两个渠道拿：一是聚宽、米筐这类量化平台，二是直接爬交易所的公开数据。个人建议，初期用聚宽就够了，省心。

你想想看，可转债的行情数据和股票不太一样。股票就一个价格，可转债有转股价值、溢价率、纯债价值这些衍生数据。所以获取的时候，字段要拿全。

我曾经踩过一个坑：只拿了收盘价，没拿转股价值。结果算出来的因子全是价格相关的，完全忽略了债性。后来回测一塌糊涂，才意识到问题出在哪。

# 示例：使用聚宽获取可转债行情
from jqdatasdk import *
auth('你的账号', '你的密码')

# 获取所有可转债列表
bonds = get_all_securities(['bond_conv'])

# 获取某只转债的历史行情
df = get_price('123456.XSHE', 
               start_date='2023-01-01', 
               end_date='2023-12-31',
               fields=['open', 'close', 'volume', 'money', 
                       'conv_value', 'premium_ratio'])
print(df.head())

2. 财务数据清洗

财务数据，才是真正让人头疼的地方。

为什么？因为上市公司财报的发布时间、格式、口径都不一样。有的公司一季度报拖到4月底才发，有的提前一个月就发了。你想想看，如果不对齐时间，因子计算就会用到未来数据——这是量化里的大忌。

我个人习惯的清洗流程是这样的：

1. 去重：同一家公司同一天发布多份财报？只保留最新的一份。
2. 填充缺失值：有些财务指标可能为空，比如某季度没有研发费用。我一般用前值填充，或者用行业均值替代。
3. 异常值处理：净利润突然暴涨100倍？大概率是数据错误。我会用3σ原则剔除。
4. 时间对齐：把财报发布日期和报告期对应起来。比如2023年一季报，虽然可能在4月发布，但数据反映的是2023年3月底的情况。

# 示例：财务数据清洗
import pandas as pd
import numpy as np

# 假设df是原始财务数据
df = pd.read_csv('financial_data.csv')

# 去重：按股票代码和报告期去重，保留最新记录
df = df.sort_values('report_date').drop_duplicates(
    subset=['code', 'report_period'], keep='last')

# 填充缺失值：用前值填充
df = df.fillna(method='ffill')

# 异常值处理：3σ原则
for col in ['net_profit', 'revenue']:
    mean = df[col].mean()
    std = df[col].std()
    df = df[(df[col] > mean - 3*std) & (df[col] < mean + 3*std)]

print(f"清洗后数据量: {len(df)}")

3. 因子计算数据对齐

这一步，说白了就是把行情数据和财务数据拼到一张表上。

但这里有个坑：行情数据是日频的，财务数据是季频的。怎么对齐？

我的做法是：

• 以行情数据的日期为基准
• 对于每个交易日，取最近一期已发布的财务数据
• 注意：财务数据只有在发布之后才能使用，不能提前用

举个例子：今天是2023年5月15日，某公司2023年一季报在4月28日发布。那么5月15日这天，我们可以用一季报的数据。但如果今天是4月20日，一季报还没发，那就只能用2022年年报的数据。

# 示例：数据对齐
def align_data(market_data, financial_data):
    """
    market_data: 行情数据，日频
    financial_data: 财务数据，季频，包含报告期和发布日期
    """
    # 对每个交易日，找到最近一期已发布的财务数据
    aligned = []
    for date in market_data['date'].unique():
        # 筛选出在该日期之前已发布的财务数据
        available = financial_data[
            financial_data['publish_date'] <= date
        ]
        # 取最近一期
        latest = available.sort_values('report_date').groupby('code').last()
        # 合并
        day_data = market_data[market_data['date'] == date]
        merged = day_data.merge(latest, on='code', how='left')
        aligned.append(merged)
    
    return pd.concat(aligned)

# 运行对齐
result = align_data(market_df, financial_df)
print(result.head())

本章知识体系

下面这张图，是我自己总结的数据准备流程。你看一眼，心里就有数了。

数据准备这一步，看起来繁琐，但做扎实了，后面的因子计算和模型训练就顺风顺水。我见过太多人急着跑模型，结果数据没对齐，白白浪费了几天时间。

嗯，这一章就到这里。记住：数据质量决定模型上限。你花在数据上的每一分钟，都会在回测结果里体现出来。

---